古诗词命题方法及系统技术方案

本发明专利技术实施例提供一种古诗词命题方法。该方法包括：基于知识图谱提取诗词训练集中各诗词的至少一个关键字，确定为各诗词的语义特征，利用神经网络对各诗词的语义特征进行建模，得到输入为诗词的语义特征，输出为语义相似的其他语义特征的诗词模型；利用知识图谱对诗词训练集进行知识建模，得到诗词训练集内诗词信息的结构化模型；基于各诗词的语义特征关联诗词模型和结构化模型，将预设题型输入至关联后的诗词模型和结构化模型中，输出与预设题型相对应的题目。本发明专利技术实施例还提供一种古诗词命题系统。本发明专利技术实施例使用诗词语义特征进行建模，可以区分出诗词的关系词语，通过将诗词的信息结构化，可以得到丰富的诗词信息，生成质量更高的题目。

【技术实现步骤摘要】
古诗词命题方法及系统
本专利技术涉及自然语言处理领域，尤其涉及一种古诗词命题方法及系统。
技术介绍
随着自然语言处理技术的在各个领域的应用,已经有很多在教育和问答领域做命题系统的方法。古诗词作为中国文化的象征之一,因为涉及到发音，韵律，抽象意向，典故等高难度又复杂的任务，一直是自然语言处理方向的难点。现在已经有些专家利用神经网络技术,对古诗词进行语义理解并抽取抽象特征,进而衍生除了阅读理解，命题，生成诗句等产品。基于神经网络本身的缺点,上述任务仍然只能实现简单，基本的功能。在实现本专利技术过程中，专利技术人发现相关技术中至少存在如下问题：由于神经网络是基于表示学习的，所以在神经网络中不可解释型是现在无法攻克的难关。在神经网络对于语义的表示中，例如“荷花”，“莲花”，“菊花”,“梅花”这几者之间的表示是很接近的。神经网络因为没有外部知识的介入,是很难区分上述几种花有什么区别。那么在命题系统中,当想出“跟荷花相关的题目”又或者“接天莲叶无穷碧，映日荷花别样红”描述同一种植物的诗句时，很容易将其他无法区分的花的诗句也选入。无论是基于神本文档来自技高网...

【技术保护点】
1.一种古诗词命题方法，包括：/n基于知识图谱提取诗词训练集中各诗词的至少一个关键字，确定为所述各诗词的语义特征，利用神经网络对所述各诗词的语义特征进行建模，得到输入为诗词的语义特征，输出为语义相似的其他语义特征的诗词模型；/n利用所述知识图谱对所述诗词训练集进行知识建模，得到所述诗词训练集内诗词信息的结构化模型，其中所述诗词训练集内诗词信息至少包括：诗句，注释，语义特征，格律，主题类型和诗词意向中的一种；/n基于所述各诗词的语义特征关联所述诗词模型和所述结构化模型，将预设题型输入至关联后的诗词模型和所述结构化模型中，输出与所述预设题型相对应的题目。/n

【技术特征摘要】
1.一种古诗词命题方法，包括：
基于知识图谱提取诗词训练集中各诗词的至少一个关键字，确定为所述各诗词的语义特征，利用神经网络对所述各诗词的语义特征进行建模，得到输入为诗词的语义特征，输出为语义相似的其他语义特征的诗词模型；
利用所述知识图谱对所述诗词训练集进行知识建模，得到所述诗词训练集内诗词信息的结构化模型，其中所述诗词训练集内诗词信息至少包括：诗句，注释，语义特征，格律，主题类型和诗词意向中的一种；
基于所述各诗词的语义特征关联所述诗词模型和所述结构化模型，将预设题型输入至关联后的诗词模型和所述结构化模型中，输出与所述预设题型相对应的题目。


2.根据权利要求1所述的方法，其中，所述预设题型包括诗词选择；
当所述预设题型为诗词选择时，所述关联后的诗词模型和所述结构化模型选取任一诗词的关键字或关键词确定为题目的出题点；
将所述出题点输入至所述关联后的诗词模型和所述结构化模型，生成所述题目的题干、基准答案以及与所述出题点语义相关的多个备选项；
将所述题目的题干以及多个备选项向进行反馈。


3.根据权利要求2所述的方法，其中，所述预设题型还包括：诗词排序、诗词填空、试卷模式；
当所述预设题型为试卷模式时，关联后的诗词模型和所述结构化模型输出多道至少与所述诗词排序和/或诗词填空和/或诗词选择相对应的题目以及基准答案，其中，各题目间的语义特征无关联。


4.根据权利要求3所述的方法，其中，在输出多道题目以及基准答案之后，所述方法还包括：
确定所述多道题目的难易度，根据所述难易度对所述多道题目进行排序；
输出排序后的多道题目。


5.根据权利要求4所述的方法，其中，所述确定所述多道题目的难易度包括：
当题目的题型为诗词排序或诗词填空时，基于所述诗词模型确定出题点与题干之间的语义相似度，确定为所述题目的难易维度；
当题目的题型为诗词选择时，基于所述诗词模型确定各备选项之间的语义相似度，确定为所述题目的第一难易维度；
基于所述诗词模型确定基准答案与各备选项的语义相似度，确定为...

【专利技术属性】
技术研发人员：施淼元，刘欢，
申请(专利权)人：苏州思必驰信息科技有限公司，
类型：发明
国别省市：江苏;32